Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection
C.V. Raman Global University(C.V.拉曼全球大学)
本研究通过超参数调优优化了多种机器学习算法,发现SVM在网络入侵检测中表现最佳,准确率高达99.12%。
2025-12-14 cs.CR cs.LG cs.NI
Evaluation of Machine Learning Algorithms for Intrusion Detection System
University of Miskolc(米什科尔茨大学);Mutah University(穆塔大学)
入侵检测系统(IDS)是抵御恶意攻击的有效手段之一。此外,攻击者总是不断改变他们的工具和技术。然而,实现一个公认的IDS系统也是一项具有挑战性的任务。在本文中,几个实验已经进行和评估,以评估各种机器学习分类器的基础上KDD入侵数据集。它成功地计算了几个性能指标,以评估所选择的分类器。重点研究了误报和漏报性能指标,以提高入侵检测系统的检测率。实验结果表明,决策表分类器的误报率最低,而随机森林分类器的平均准确率最高。
2018-01-08 cs.CR cs.LG
Image Classifiers for Network Intrusions
PeopleTec, Inc.(PeopleTec 公司)
本研究将UNSW-NB 15中的网络攻击数据集重新转换为图像空间中的入侵检测问题。使用一热编码,生成的灰度缩略图为深度学习算法提供了25万个示例。应用MobileNetV 2的卷积神经网络架构,这项工作在区分正常和攻击流量方面的准确率达到97%。对9个单独攻击家族(漏洞、蠕虫、外壳代码)的进一步分类细化显示出总体56%的准确率。利用特征重要性排序,子集上的随机森林解决方案显示了最重要的源-目的地因素和最不重要的主要是模糊的协议。该数据集在Kaggle上可用。
2021-03-13 cs.CR cs.LG
A Novel Hierarchical Intrusion Detection System based on Decision Tree and Rules-based Models
提出了一种新的入侵检测系统(IDS),它结合了基于决策树和规则的概念,即REP树、JRip算法和Forest PA。具体地,第一和第二方法将数据集的特征作为输入,并将网络流量分类为攻击/良性。除了第一和第二分类器的输出之外,第三分类器还使用初始数据集的特征作为输入。通过使用CICIDS 2017数据集分析所提出的IDS获得的实验结果证明,与现有技术相比,它们在准确性,检测率,误报率和时间开销方面具有优越性。
2018-12-21 cs.CR
Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection
University of Toledo(托莱多大学)
基于机器学习的监督方法需要高度定制和微调的方法来提供出色的性能。针对网络入侵数据集UNSW-NB 15,提出了一种基于数据集驱动的机器学习分类器设计和性能评估。对数据集的分析表明,它在特征空间中存在类表示不平衡和类重叠。我们采用集成方法,使用平衡装袋(BB),极限梯度提升(XGBoost),和随机森林授权的Hellinger距离决策树(RF-HDDT)。BB和XGBoost被调整以处理不平衡数据,并且随机森林(RF)分类器由Hellinger度量补充以解决不平衡问题。提出了两种新的算法来解决数据集中的类重叠问题。这两种算法被用来帮助提高测试数据集的性能,通过修改由三个基本分类器作为集成分类器的一部分,采用多数表决组合器的最终分类决策。所提出的设计进行评估,为二进制和多类别分类。将所提出的模型与文献中相同数据集上报告的模型进行比较,表明所提出的模型在二进制和多类别分类情况下均显著优于其他模型。
2022-05-08 cs.AI cs.CR cs.DB
Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection
University of Lahore(拉合尔大学);NUCES(巴基斯坦国家计算机与新兴科学大学)
由于计算机网络和应用的指数增长,网络安全已经成为网络安全领域中最大的关注点。入侵检测在信息系统或网络设备的安全中起着重要的作用。入侵检测系统(IDS)的目的是检测恶意活动,然后针对这些活动生成警报。拥有大量的数据是检测攻击的关键问题之一。大多数入侵检测系统利用数据集的所有特征来评估模型,导致检测率低,计算时间长,占用大量计算机资源。为了快速检测攻击,IDS需要轻量级的数据。特征选择方法在选择最佳特征以实现最大精度方面起着关键作用。本研究工作通过考虑两个更新的攻击数据集UNSW-NB 15和CICDDoS 2019进行实验。提出了一种基于包装器的集成分类器遗传算法特征选择方法。遗传算法选择最佳的特征子集,并实现高精度,检测率(DR)和低误报率(FAR)相比,现有的方法。本文的研究重点是多类分类。实现两种集成方法:堆叠和装袋,以检测不同类型的攻击。实验结果表明,遗传算法显著提高了堆叠集成分类器的分类精度.
2022-10-06 cs.CR cs.LG
ASNM Datasets: A Collection of Network Traffic Features for Testing of Adversarial Classifiers and Network Intrusion Detectors
Faculty of Information Technology, Brno University of Technology(布尔诺理工大学信息技术学院)
在本文中,我们提出了三个数据集,已建成的网络流量跟踪使用ASNM功能,设计在我们以前的工作。第一个数据集是使用最先进的数据集CDX 2009构建的,而其余两个数据集分别是我们在2015年和2018年收集的。这两个数据集包含几种对抗性混淆技术,这些技术在执行特定TCP网络连接期间应用于恶意和合法流量样本。对抗性混淆技术被用于规避基于机器学习的网络入侵检测分类器。此外,我们表明,这样的分类器的性能可以得到改善时,部分增加其训练数据的样本从混淆技术。详细地说,我们利用HTTP(S)协议中的隧道混淆和基于非有效载荷的混淆来修改网络流量的各种属性,例如,据我们所知,这是第一个包含对抗技术的网络流量元数据集合,用于基于非有效载荷的网络入侵检测和对抗分类。所提供的数据集使得能够测试使用ASNM特征的任意分类器的逃避抗性。
2019-10-23 cs.CR cs.LG
Intrusion Detection and identification System Design and Performance Evaluation for Industrial SCADA Networks
在本文中,我们提出了一个研究,提出了一个三阶段的分类器模型,采用机器学习算法开发的入侵检测和识别系统的数十种不同类型的攻击对工业SCADA网络。根据使用天然气管道SCADA网络的实验室原型生成的数据对机器学习分类器进行训练和测试。该数据集由三个攻击组和七个不同的攻击类别或类别组成。同一数据集还提供了与这七种攻击类别相关的35种不同类型的子攻击的签名。该研究需要设计三阶段的机器学习分类器作为误用入侵检测系统,以检测和识别35个攻击子类中的每一个。分类器的第一阶段决定记录是否与正常操作或攻击签名相关联。如果发现该记录属于攻击特征,则在第二阶段中,将其分类为七种攻击类别之一。基于由来自第二级分类器的输出确定的所识别的攻击类别,为第三级子攻击分类提供攻击记录,其中采用七个不同的分类器。来自第三阶段分类器的输出标识记录所属的子攻击类型。仿真结果表明,设计探索专业化领域或执行多个阶段与单阶段设计的分类是有前途的问题,有几十个类。与文献中的研究比较也表明,多级分类器的性能明显更好。
2020-12-17 cs.CR
Machine Learning Methods for Network Intrusion Detection
网络安全工程师致力于通过处理入侵者攻击来保持服务始终可用。入侵检测系统(IDS)是一种可获得的机制,用于检测和分类任何异常行为。因此,IDS必须始终保持最新的入侵者攻击特征,以保持服务的机密性、完整性和可用性。入侵检测系统的速度是一个非常重要的问题,以及学习新的攻击。这项研究工作说明了如何知识发现和数据采掘(或数据库中的知识发现)KDD数据集是非常方便的测试和评估不同的机器学习技术。主要研究KDD的预处理部分,目的是为了准备一个像样的、公平的实验数据集。本研究选择了J48、MLP和贝叶斯网络分类器。事实证明,J48分类器在检测和分类DOS、R2L、U2R和PROBE类型的所有KDD数据集攻击方面达到了最高的准确率。
2018-09-01 cs.CR cs.NI
Generating Labeled Flow Data from MAWILab Traces for Network Intrusion Detection
在现代网络世界中,一个日益严重的问题是直接识别网络连接上的恶意活动。机器学习行业在过去几年中的蓬勃发展导致机器学习技术的使用越来越多,这在网络入侵检测研究社区中尤其普遍。在利用这些相当现代的技术时,社区已经意识到数据集对于识别恶意数据包和连接至关重要,特别是与标签相关的信息,以构建学习模型。然而,网络入侵检测社区的研究人员缺乏公开可用的相关数据集。因此,在本文中,我们介绍了一种方法来构建标记流数据相结合的数据包元信息与IDS日志来推断标签的入侵检测研究。具体来说,我们设计了一个NetFlow兼容的格式,因为大量的网络设备,如路由器和交换机,从原始流量导出NetFlow记录的能力。在这样做的过程中,所介绍的方法将帮助研究人员访问相关的网络流数据集以及标签信息。
2018-10-03 cs.CR cs.NI
A Robust Comparison of the KDDCup99 and NSL-KDD IoT Network Intrusion Detection Datasets Through Various Machine Learning Algorithms
George Mason University(乔治梅森大学)
近年来,随着物联网网络上的入侵攻击呈指数级增长,迫切需要复杂的入侵检测系统(IDS)。目前绝大多数IDS都是数据驱动的,这意味着该研究领域最重要的方面之一是从物联网网络流量中获取的数据质量。两个被引用最多的入侵检测数据集是KDDCup 99和NSL-KDD。我们项目的主要目标是通过评估在两个数据集上训练的各种机器学习(ML)分类器的性能,对这两个数据集进行鲁棒比较,这些分类器具有比以前的研究人员更大的分类指标集。从我们的研究中,我们能够得出结论,NSL-KDD数据集的质量高于KDDCup 99数据集,因为在其上训练的分类器平均准确度低20.18%。这是因为在KDDCup 99数据集上训练的分类器表现出对其中冗余的偏见,使它们能够实现更高的准确性。
2019-12-31 cs.CR cs.LG cs.NI
Learning automata based SVM for intrusion detection
Shanghai Jiao Tong University(上海交通大学)
入侵检测是对计算机系统或网络中发生的事件进行监视,并对其进行分析,以发现可能的事件征兆的过程,是网络安全不可缺少的防御措施。它是判断事件是正常还是恶意的分类器。用于入侵检测的信息中含有一些冗余特征,这会增加入侵检测分类器的训练难度,增加预测时间。为了简化分类器的训练过程,提高分类器的效率,有必要去除这些冗余特征。本文提出了一种新的LA-SVM方法,用于自动去除入侵检测中的冗余特征。这是学习自动机解决降维问题的第一个应用。仿真结果表明,与传统的支持向量机相比,LA-SVM方法具有更高的预测精度和更高的预测效率。
2018-01-04 cs.CR cs.LG
Optimized IoT Intrusion Detection using Machine Learning Technique
Dept. of ECE North South University(电子工程系北南大学)
本研究提出一种基于五种机器学习算法(含随机森林等)的物联网入侵检测系统,通过特征选择与超参数调优,随机森林达最高准确率99.39%,优于以往研究。
2024-12-03 cs.CR cs.LG
An Efficient Flow-based Multi-level Hybrid Intrusion Detection System for Software-Defined Networks
软件定义网络(SDN)是一种提供增强编程能力的新型网络范例,其可用于基于更有效的方法来解决传统的安全挑战。SDN范例中最重要的元素是控制器,它负责管理每个通信转发元素(交换机或路由器)的流。由控制器提供的流量统计被认为是有用的信息,可以用来开发基于网络的入侵检测系统。因此,在本文中,我们提出了一个5级混合分类系统的基础上流量统计,以达到提高系统的整体精度。对于第一级,我们采用k-最近邻方法(kNN);对于第二级,我们使用极端学习机(ELM);对于其余级别,我们使用分层极端学习机(H-ELM)方法。与传统的基于NSL-KDD基准数据集的监督机器学习算法相比,实验研究表明,我们的系统达到了最高水平的准确率(84.29%)。因此,我们的方法提出了一个有效的方法在SDN的入侵检测。
2018-06-11 cs.CR cs.NI
Evaluation of Machine Learning Classifiers for Zero-Day Intrusion Detection -- An Analysis on CIC-AWS-2018 dataset
检测零日入侵一直是网络安全的目标,特别是入侵检测。机器学习被认为是解决这个问题的有前途的方法,已经提出了许多模型,但实际的解决方案仍然没有出现,主要是由于过时的开放数据集所造成的限制。在本文中,我们对CICFlowMeter生成的基于流的统计数据进行了深入的检查,并使用了六种最流行的机器学习分类模型来检测零日攻击。训练数据集CIC-AWS-2018数据集包含14种类型的入侵,而测试数据集包含8种不同类型的攻击。在CIC-AWS-2018数据集上评估和交叉验证了六个分类模型在假阳性率,真阳性率和时间开销方面的准确性。测试数据集,包括八个新的(或零日)的真实生活中的攻击和良性流量收集在真实的研究生产网络被用来测试所选择的决策树分类器的性能。结果表明,该算法的精度高达100%,时间开销合理。我们认为,从CICFlowMeter收集的统计数据,简单的机器学习模型,如决策树分类可以负责检测零日攻击。
2021-01-28 cs.CR cs.LG
Performance evaluation of Machine learning algorithms for Intrusion Detection System
本文基于KDD CUP-'99'数据集评估多种机器学习分类器在入侵检测中的表现,并使用准确率、精确率、召回率和F1度量比较其性能。
2023-10-01 cs.CR
A Novel Approach To Network Intrusion Detection System Using Deep Learning For Sdn: Futuristic Approach
Karabük University(卡拉比克大学)
软件定义网络(SDN)是改变传统网络架构的下一代网络。SDN是改变互联网网络架构的有前途的解决方案之一。由于SDN架构的集中化性质,攻击变得更加常见。为SDN提供安全性至关重要。在这项研究中,我们提出了一个网络入侵检测系统-深度学习模块(NIDS-DL)的方法在SDN的上下文中。我们建议的方法结合了网络入侵检测系统(NIDS)与许多类型的深度学习算法。我们的方法采用了12个特征提取的41个特征在NSL-KDD数据集使用特征选择方法。我们使用了分类器(CNN、DNN、RNN、LSTM和GRU)。当我们比较分类器得分时,我们的技术分别产生了(98.63%,98.53%,98.13%,98.04%和97.78%)的准确率结果。我们的新方法(NIDS-DL)的新颖性使用了5个深度学习分类器,并对数据集进行了预处理,以获得最佳结果。我们提出的方法是成功的二进制分类和检测攻击,这意味着我们的方法(NIDS-DL)可能会在未来使用的效率很高。
2022-08-03 cs.AI cs.CR cs.LG
Building an Efficient Intrusion Detection System Based on Feature Selection and Ensemble Classifier
Southeast University(东南大学);National Key Laboratory of Science and Technology on Information System Security(信息系统安全技术国家重点实验室)
入侵检测系统(IDS)是在网络拓扑中广泛使用的技术之一,用于保护被保护系统中敏感资产的完整性和可用性。尽管机器学习领域的许多有监督和无监督学习方法已经被用来提高入侵检测系统的效率,但是现有的入侵检测算法仍然难以达到良好的性能。首先,高维数据集中存在大量冗余和不相关的数据,干扰了入侵检测系统的分类过程。其次,单个分类器在检测每种类型的攻击时可能表现不佳。第三,许多模型是为陈旧的数据集构建的,这使得它们对新攻击的适应性较差。因此,本文提出了一种基于特征选择和集成学习技术的入侵检测框架。在第一步中,提出了一种启发式算法CFS-BA进行降维,该算法根据特征之间的相关性选择最优子集。然后,我们介绍了一个集成的方法,结合C4.5,随机森林(RF),森林惩罚属性(森林PA)算法。最后,使用投票技术结合基学习器的概率分布进行攻击识别。使用NSL-KDD,AWID和CIC-IDS 2017数据集的实验结果表明,所提出的CFS-BA-Ensemble方法在几个指标下能够表现出比其他相关和最先进的方法更好的性能。
2020-04-02 cs.CR cs.LG
DeepAuditor: Distributed Online Intrusion Detection System for IoT devices via Power Side-channel Auditing
William & Mary(威廉与玛丽学院);Old Dominion University(欧道明大学)
随着物联网设备数量的迅速增加,物联网僵尸网络已经利用了物联网设备的漏洞。然而,在大规模攻击之前检测物联网设备上的初始入侵仍然具有挑战性。最近的研究利用电源侧信道信息来识别物联网设备上的这种入侵行为,但仍然缺乏用于无处不在的僵尸网络检测的实时准确模型。我们提出了第一个在线入侵检测系统,称为DeepAuditor,用于通过电源审计的物联网设备。为了开发实时系统,我们提出了一个轻量级的电力审计设备称为电力审计。我们还设计了一个分布式CNN分类器,用于实验室环境中的在线推理。为了防止数据泄漏和减少网络冗余,我们提出了一个隐私保护的推理协议,通过压缩同态加密和滑动窗口协议在我们的系统。的分类精度和处理时间进行了测量,所提出的分类器优于基线分类器,特别是对看不见的模式。我们还证明了分布式CNN设计对任何分布式组件都是安全的。总的来说,这些测量结果表明了我们的实时分布式系统在物联网设备上进行入侵检测的可行性。
2022-05-10 cs.CR cs.LG
A consensus based network intrusion detection system
网络入侵检测是识别针对网络及其资源的恶意行为的过程。目前的系统实现入侵检测过程中观察流量在网络中的几个数据收集点,但分析往往是集中或部分集中。这些系统是不可扩展的,并且遭受单点故障,即攻击者只需要针对中心节点来危害整个系统。本文提出了一种基于异常的分布式网络入侵检测系统,在每个数据采集点使用朴素贝叶斯分类器进行分析。每个分类器计算的概率值使用迭代平均共识协议在节点之间共享。最终分析在每个数据收集点的级别上冗余地并行执行,从而避免了单点故障问题。我们运行的模拟集中在DDoS攻击与几个网络配置,比较我们的完全分布式系统的准确性与层次。我们还分析了共识阶段的通信成本和收敛速度。
2015-09-15 cs.CR
Performance Comparison and Implementation of Bayesian Variants for Network Intrusion Detection
University of Texas at El Paso(德克萨斯大学埃尔帕索分校)
本研究实现并对比了三种贝叶斯分类器变体在网络入侵异常检测中的性能,发现分类器的分布假设是影响准确率的核心因素,其中Gaussian变体表现最优。
2023-08-22 cs.CR cs.LG
An Adaptable Deep Learning-Based Intrusion Detection System to Zero-Day Attacks
Sharif University of Technology(谢里夫理工大学)
入侵检测系统(IDS)是计算机网络安全监控的重要组成部分。IDS区分恶意流量和良性流量,并确定针对组织资产的攻击类型。IDS的主要挑战是面临新的(即,零日)攻击,并将它们与良性流量和现有类型的攻击分开。随着基于深度学习的IDS在自动提取高级特征方面的强大功能及其与耗时且昂贵的签名提取过程的独立性,在新一代IDS中仍然存在上述挑战。在本文中,我们提出了一个基于深度学习的IDS解决新攻击的框架。该框架是第一种在安全范围内使用基于深度新颖性的分类器以及基于深度结构的专用层的传统聚类的方法。此外,我们引入DOC++作为DOC的新版本,作为一个深度新颖的分类器。我们还在预处理阶段采用了深度入侵检测(DID)框架,这提高了深度学习算法检测基于内容的攻击的能力。我们比较了四种不同的算法(包括DOC,DOC++,OpenMax和AutoSVM)作为框架的新颖性分类器,并使用CIC-IDS 2017和CSE-CIC-IDS 2018数据集进行评估。我们的研究结果表明,DOC++是开集识别模块的最佳实现。此外,聚类和后训练阶段的完备性和同质性证明了该模型对于监督标记和更新阶段是足够好的。
2021-08-20 cs.CR cs.LG cs.NI
NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
随着人工智能和机器学习的最新发展,可以使用机器学习方法来检测网络流量中的异常。在机器学习兴起之前,可能意味着攻击的网络异常是使用精心设计的规则来检测的。具有网络防御领域知识的攻击者可以进行有根据的猜测,有时可以准确预测网络防御机制正在关注的网络流量数据的哪些特定特征。有了这些信息,攻击者就可以绕过基于规则的网络防御系统。然而,随着机器学习在网络异常方面的进步,人类很难理解如何绕过网络防御系统。最近,对抗攻击已经变得越来越普遍,以击败机器学习算法。在本文中,我们表明,即使我们建立了一个分类器,并训练它与网络数据的对抗性的例子,我们可以使用对抗攻击,并成功地打破了系统。我们提出了一种基于生成对抗网络(GAN)的算法来生成数据,以训练一个高效的基于神经网络的分类器,然后我们使用对抗攻击来打破系统。
2020-02-20 cs.CR cs.LG
DOC-NAD: A Hybrid Deep One-class Classifier for Network Anomaly Detection
University of Queensland(昆士兰大学)
机器学习(ML)方法已被用于增强网络入侵检测系统(NIDS)的检测能力。最近的工作已经取得了近乎完美的性能,以下二进制和多类网络异常检测任务。这样的系统依赖于在训练阶段期间(良性和恶意)网络数据类的可用性。然而,在大多数组织中,由于安全控制措施防止已知恶意流量渗透到其网络中,因此收集攻击数据样本通常具有挑战性。因此,本文提出了一种用于网络入侵检测的深度单类(DOC)分类器,仅对良性网络数据样本进行训练。新型单类分类架构由基于直方图的深度前馈分类器组成,用于提取有用的网络数据特征并使用有效的离群值检测。DOC分类器已经使用两个基准NIDS数据集进行了广泛的评估。结果表明,它的优越性,目前国家的最先进的一类分类器的检测和误报率。
2022-12-15 cs.CR cs.LG cs.NI
CoAP-DoS: An IoT Network Intrusion Dataset
The Citadel(要塞军事学院)
随着物联网设备越来越多地集成到重要网络中,对安全物联网(IoT)设备的需求正在增长。许多系统依靠这些设备保持可用并提供可靠的服务。针对物联网设备的拒绝服务攻击是一个真正的威胁,因为这些低功耗设备非常容易受到拒绝服务攻击。支持机器学习的网络入侵检测系统在识别新威胁方面非常有效,但它们需要大量数据才能正常工作。有许多网络流量数据集,但很少有关注物联网网络流量的数据集。在物联网网络数据集中,缺乏CoAP拒绝服务数据。我们提出了一个新的数据集覆盖这一差距。我们通过收集来自真实CoAP拒绝服务攻击的网络流量开发了一个新的数据集,并比较了多个不同机器学习分类器上的数据。我们表明,数据集是有效的许多分类。
2022-06-29 cs.AI cs.CR cs.NI
Enhancing Adversarial Robustness in Network Intrusion Detection: A Layer-wise Adaptive Regularization Approach
National Cyber Security Academy (NCSA)(国家安全学院(NCSA));Air University(空军大学);School of Science(科学学院)
本文提出LARAR方法,通过分层漏洞分析和自适应加权提升网络入侵检测系统对抗鲁棒性,实现95.01%的准确率并有效防御FGSM、PGD等攻击。
2026-05-09 cs.CR cs.LG
Combinatorial Optimization based Feature Selection Method: A study on Network Intrusion Detection
软件定义网络(SDN)、物联网(IoT)、微服务架构、云计算和网络功能虚拟化(NFV)等计算机网络和通信技术的进步为安全专家对抗现代网络攻击开辟了新的战线和挑战。依赖于边界防御和基于签名的网络安全解决方案,如入侵检测和防御系统(IDS/IPS),未能提供足够的安全级别来抵御新的攻击媒介,如高级持续威胁,零日,勒索软件,僵尸网络和其他形式的有针对性的攻击。机器学习和认知计算的最新发展已经显示出检测未知和新的入侵事件的巨大潜力,而传统的基于误用和异常的入侵检测系统通常会失败。在这项研究中,我们在UNSW-NB 15数据集上应用了最先进的机器学习算法,以检测新的攻击。我们还提出了一种新的包装器为基础的特征选择技术TS-RF使用元启发式禁忌搜索(TS)算法和随机森林(RF)集成分类器。在UNSW-NB 15数据集上应用所提出的特征选择技术(即TS-RF)获得的结果表明,该方法在提高整体入侵检测精度的同时,由于去除了60%以上的特征,降低了计算复杂度。
2021-01-19 cs.CR cs.NI
A Method for Network Intrusion Detection Using Flow Sequence and BERT Framework
本文提出一种结合流序列与 BERT 框架的网络入侵检测方法,利用自然语言处理技术对数据进行上下文建模,有效提升了系统在真实环境中的领域适应能力,为构建鲁棒的入侵检测系统提供了新方法。
2023-10-26 cs.CR
Walling up Backdoors in Intrusion Detection Systems
Technische Universität Wien(维也纳工业大学)
中毒攻击和后门最近重新出现在深度学习(DL)应用中。最近已经为卷积神经网络(CNN)提出了几种成功的防御机制,例如在自动驾驶的背景下。我们表明,可视化方法可以帮助识别独立于所使用的分类器的后门。令人惊讶的是,我们发现,常见的防御机制完全不能删除后门在DL的入侵检测系统(IDS)。最后,我们设计了基于修剪的方法来删除后门的决策树(DT)和随机森林(RF),并证明了它们的有效性,为两个不同的网络安全数据集。
2020-04-05 cs.CR cs.LG cs.NI
Flow-based Network Intrusion Detection Based on BERT Masked Language Model
针对传统机器学习NIDS领域适应能力不足的问题,本文提出利用NLP技术与BERT掩码语言模型构建基于流的入侵检测方法,并在跨领域数据上验证了其有效性。
2023-06-08 cs.CR
Detecting Unknown Attacks in IoT Environments: An Open Set Classifier for Enhanced Network Intrusion Detection
Texas A&M University(德克萨斯农工大学);United States Military Academy(美国军事学院)
针对 IoT 网络入侵检测中的未知攻击识别问题,提出结合流量图像表示、stacking 与子聚类的开放集识别框架,未见攻击检测率达 88%。
2023-09-28 cs.AI cs.CR cs.CV
Process Mining Algorithm for Online Intrusion Detection System
本文研究了进程挖掘在入侵检测中的应用。提出了一种新的基于过程挖掘的入侵检测系统数据预处理算法。该算法主要用于网络数据包的处理,在在线模式下能够很好地进行在线入侵检测。为了测试我们的算法,我们使用了包含几种常见攻击的CSE-CIC-IDS 2018数据集。利用该算法对数据包进行预处理后送入检测器。我们使用不同的机器学习(ML)模型作为分类器的算法的实验报告,以验证我们的算法的工作原理如预期;我们测试了异常检测方法的性能,以及现有的预处理工具CICFlowMeter的性能比较报告。
2022-05-24 cs.CR
Toward a Deep Learning-Driven Intrusion Detection Approach for Internet of Things
物联网(IoT)为我们的日常生活带来了巨大的好处,涵盖了我们经常与之互动的各种应用领域,从医疗保健自动化到交通和智能环境。然而,由于受限的资源和计算能力的限制,物联网网络容易受到各种网络攻击。因此,保护物联网网络免受对抗攻击至关重要。在本文中,我们提出了一种新的入侵检测方法,物联网网络通过应用深度学习技术。我们采用尖端的物联网数据集,包括物联网跟踪和真实的攻击流量,包括拒绝服务,分布式拒绝服务,侦察和信息窃取攻击。我们利用在个人数据包的头部字段信息作为通用功能来捕捉一般的网络行为,并开发一个前馈神经网络模型与嵌入层(编码高维分类功能)的多类分类。随后采用迁移学习的概念对高维分类特征进行编码以构建二元分类器。通过评估所提出的方法得到的结果表明,二进制和多类分类器的分类精度高。
2020-07-18 cs.CR
Evaluating MCC for Low-Frequency Cyberattack Detection in Imbalanced Intrusion Detection Data
Farmington High School(法明顿高中);Central Connecticut State University(康涅狄格中央州立大学)
本文通过评估CSE-CIC-IDS2017数据集中的基础和元分类器,发现MCC比准确率更能准确评估低频网络攻击检测中的分类器性能。
2026-01-19 cs.CR
Towards an Efficient Anomaly-Based Intrusion Detection for Software-Defined Networks
Ozyegin University(奥兹耶金大学);Ege University(埃格大学)
软件定义网络(SDN)是允许开发更灵活的网络应用的新范例。SDN控制器是一个集中式的控制点,负责运行各种网络应用,并维护不同的网络服务和功能。选择高效的入侵检测系统有助于减少运行控制器的开销,并创建更安全的网络。在这项研究中,我们研究了著名的基于异常的入侵检测方法的准确性,误报率,精度,召回率,f1-措施,ROC曲线下的面积,执行时间和Mc Nemar的测试方面的性能。准确地说,我们专注于监督机器学习方法,其中我们使用以下分类器:决策树(DT)、极限学习机(ELM)、朴素贝叶斯(NB)、线性判别分析(LDA)、神经网络(NN)、支持向量机(SVM)、随机森林(RT)、K最近邻(KNN)、AdaBoost、RUSBoost、LogitBoost和BaggingTrees,我们使用著名的NSL-KDD基准数据集来比较这些分类器中每一个的性能。
2018-08-19 cs.CR cs.LG
A Novel Byte-Level Flow-to-Image Encoding Method for Network Intrusion Detection Systems
Institute for Digital Technologies(数字技术研究所);Loughborough University(拉夫堡大学)
本文提出一种将网络流记录转换为固定大小RGB图像的编码方法,通过将连续特征序列化并打包成倒L形轨迹,以及离散特征映射到字节值,从而提升卷积架构对特征间空间相关性的利用,实验表明该方法在多个数据集上提升了入侵检测的准确率。
2026-05-06 cs.CR
An Adversarial Approach for Explainable AI in Intrusion Detection Systems
Virginia Commonwealth University(弗吉尼亚联邦大学)
尽管现代机器学习技术(例如深度神经网络)在网络安全应用中越来越受欢迎,但这些模型中的大多数对于用户来说都被视为黑匣子。对抗性机器学习提供了一种方法来增加我们对这些模型的理解。在本文中,我们提出了一种方法来产生不正确的分类数据驱动的入侵检测系统(IDS)的解释。对抗方法用于找到正确分类给定的一组错误分类样本所需的最小修改(输入特征)。这种修改的幅度用于可视化解释错误分类原因的最相关特征。所提出的方法产生了令人满意的解释,描述了错误分类背后的推理,与专家知识相匹配的描述。所提出的方法的优点是:1)适用于具有定义的梯度的任何分类器。2)不需要对分类器模型进行任何修改。3)可以扩展到执行进一步的诊断(例如脆弱性评估),并获得对系统的进一步了解。使用线性和多层感知器分类器对NSL-KDD 99基准数据集进行了实验评估。使用直观的可视化显示结果,以提高结果的可解释性。
2018-11-28 cs.CR cs.LG stat.ML
Soft Computing Models for Network Intrusion Detection Systems
计算机和连接它们的网络的安全性正变得越来越重要。计算机安全被定义为保护计算系统免受对机密性、完整性和可用性的威胁。有两种类型的入侵者:外部入侵者,他们是他们攻击的机器的未经授权的用户,以及内部入侵者,他们有权限访问系统,但有一些限制。本章介绍了一种软计算方法来检测网络中的入侵。在软计算的几个范例中,我们研究了基于模糊规则的分类器,决策树,支持向量机,线性遗传编程和集成方法来建模快速,高效的入侵检测系统。实验结果清楚地表明,软计算方法可以发挥重要作用的入侵检测。
2004-05-13 cs.CR
Sdn Intrusion Detection Using Machine Learning Method
North South University(北南大学)
本研究提出基于梯度提升的GBDT-IDS模型,在UNSW-NB 15基准上实现99.87%准确率,有效提升SDN入侵检测性能。
2024-11-08 cs.CR cs.LG cs.NI
A Multi-Agent Adaptive Deep Learning Framework for Online Intrusion Detection
网络安全分析器使用入侵检测系统(IDS)来区分恶意流量和良性流量。提出了基于深度学习的IDS,以自动提取高级特征,并消除耗时且昂贵的签名提取过程。然而,新一代IDS仍然面临许多挑战。IDS的主要问题之一是面临流量概念漂移,其表现为新的(即,零日)攻击,以及良性用户/应用程序的行为变化。此外,一个实用的基于DL的IDS需要符合分布式架构,以处理大数据的挑战。我们提出了一个框架,用于使基于DL的模型适应不断变化的攻击/良性流量行为,考虑更实际的场景(即,在线自适应IDS)。除了联邦学习方法之外,该框架还采用了连续的深度异常检测器来解决上述挑战。此外,所提出的框架实现了顺序的数据包标记为每个流,它提供了一个攻击概率得分的流通过逐渐观察每个流数据包,并更新其估计。我们通过在CIC-IDS 2017和CSE-CIC-IDS 2018数据集上采用不同的深度模型(包括基于CNN和基于LSTM的模型)来评估所提出的框架。通过广泛的评估和实验,我们表明,所提出的分布式框架是很好地适应交通概念漂移。更准确地说,我们的结果表明,基于CNN的模型非常适合于不断适应交通概念漂移(即,实现了95%以上的平均检测率,同时对于更新阶段仅需要128个新流),并且基于LSTM的模型是用于实际在线IDS中的顺序分组标记的良好候选(即,通过仅仅观察它们的前15个分组来检测入侵)。
2023-03-05 cs.CR cs.NI
Sequential Binary Classification for Intrusion Detection
Ericsson(爱立信)
针对IDS数据集类别不平衡影响ML模型性能的问题,提出序列二进制分类(SBC)分层级联结构方法,实验证明该结构方法在基准IDS数据集上是处理多分类类别不平衡的可行方案。
2025-02-13 cs.CR cs.LG cs.NI
Introducing Packet-Level Analysis in Programmable Data Planes to Advance Network Intrusion Detection
本文提出P4DDLe框架,利用P4可编程数据平面进行数据包级特征提取与预处理,在保留流量语义的同时选择性过滤数据,有效降低内存与控制通道开销,并实现对DDoS攻击的精确检测。
2024-01-04 cs.CR cs.NI
Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset
Florida Atlantic University(佛罗里达大西洋大学)
本文提出融合RF、XGBoost、KNN和AdaBoost的投票式混合分类器,并基于IoT-23在二分类与多分类任务中验证其优于单一模型。
2025-02-17 cs.AI cs.CR
An Intrusion Detection Architecture for Clustered Wireless Ad Hoc Networks
无线自组织网络中的入侵检测是一项具有挑战性的任务,因为这些网络动态地改变其拓扑结构,缺乏可以分析聚合流量的集中点,利用容易被操纵的基础设施协议,并且依赖于嘈杂的、间歇性的无线通信。由于这些网络具有开放介质、动态变化的拓扑结构、依赖合作算法、缺乏集中监控点以及缺乏明确的防线等特点,安全性仍然是其面临的主要挑战。在本文中,我们提出了一个合作的,分布式的入侵检测体系结构的基础上聚类的节点,解决了网络的安全漏洞,便于准确检测攻击。该体系结构被组织为一个动态的层次结构,在该层次结构中,入侵数据由节点获取,并在向上流动到簇头时被增量地聚合、减少体积并进行分析。在协同入侵检测中,相邻簇的簇头之间进行通信。对于与入侵相关的消息通信,移动代理由于其轻量级计算的高效性和在协作入侵检测中的适用性而被使用。仿真结果表明了该结构的有效性和效率。
2010-12-31 cs.CR cs.NI
SHIELD-IDS: Structurally Heterogeneous Ensemble with Integrated Layered Defense for Intrusion Detection Systems
School of Electrical Engineering and Computing(SEECS)(电气工程与计算学院);National University of Sciences and Technology(国立科学与技术大学)
提出IDS-Anta++框架,通过集成XGBoost和LightGBM梯度提升模型,并采用隔离森林异常检测、中值特征平滑和六路多数投票三层黑盒防御,提升对抗攻击鲁棒性,在多个数据集上实现99%以上检测准确率。
2026-06-05 cs.AI cs.CR cs.LG
A Low-Cost Machine Learning Based Network Intrusion Detection System with Data Privacy Preservation
网络入侵是网络安全的一个研究领域。当前基于机器学习的网络入侵检测系统(NIDS)监视网络数据和这些数据内的模式,但代价是在可能威胁最终用户隐私的隐私侵犯方面存在重大问题。因此,为了降低风险并保持安全性和隐私性之间的平衡,必须保护与入侵数据有关的用户隐私。此外,成本是基于机器学习的NIDS的驱动因素,因为这种系统越来越多地部署在资源有限的边缘设备上。为了解决这些问题,在本文中,我们提出了一个NIDS称为PCC-LSM-NIDS,它是由一个基于皮尔逊相关系数(PCC)的特征选择算法和最小二乘法(LSM)的隐私保护算法,以实现低成本的入侵检测,同时提供敏感数据的隐私保护。提出的PCC-LSM-NIDS测试的基准入侵数据库UNSW-NB 15,使用五个流行的分类。实验结果表明,所提出的PCC-LSM-NIDS提供的优势,在更少的计算时间,同时提供了适当程度的隐私保护。
2021-07-06 cs.CR
SOUL: A Semi-supervised Open-world continUal Learning method for Network Intrusion Detection
针对网络入侵检测中标签稀缺和开放世界环境下的性能衰减问题,提出半监督开放世界持续学习方法SOUL,利用梯度投影记忆和缓冲记忆提升攻击类检测性能,在有限标注数据下接近全监督基线并减少标注工作量。
2024-12-01 cs.CR
A Review of Various Datasets for Machine Learning Algorithm-Based Intrusion Detection System: Advances and Challenges
C V Raman Global University(C·V·拉曼全球大学)
本文系统综述了基于机器学习的入侵检测系统常用数据集及SVM、KNN、RF、XGBOOST等分类方法,分析了各数据集面临的挑战,为后续IDS研究提供参考。
2025-06-03 cs.AI cs.CR cs.LG
ADASYN-Random Forest Based Intrusion Detection Model
Zhejiang Normal University(浙江师范大学);NingboTech University(浙大宁波理工学院)
入侵检测一直是网络安全领域的一个重要研究课题,而当今常见的网络威胁具有多样性和变异性的特点。针对入侵检测数据集严重不均衡会导致对小样本攻击行为分类性能低下,难以准确、高效地检测网络攻击的问题,提出采用自适应综合采样(ADASYN)方法对数据集进行均衡。另外,采用随机森林算法对入侵检测分类器进行训练。通过在CICIDS 2017数据集上的入侵检测对比实验,发现ADASYN与随机森林的性能更好。根据实验结果,分析了ADASYN在查准率、查全率、F1分数和AUC值等方面的改善情况。实验表明,该方法可应用于大数据量的入侵检测,有效提高网络攻击行为的分类准确率。与传统的机器学习模型相比,该模型具有更好的性能、泛化能力和鲁棒性。
2022-04-14 cs.CR cs.LG
Intensive Preprocessing of KDD Cup 99 for Network Intrusion Classification Using Machine Learning Techniques
Prince Al-Hussein Bin Abdullah II Faculty of Information Technology, Hashemite University(哈希姆大学侯赛因·本·阿卜杜拉二世亲王信息技术学院);Princess Sumaya University for Technology(苏玛雅公主科技大学);University of Miskolc(米什科尔茨大学)
网络安全工程师通过处理入侵者攻击来保持服务始终可用。入侵检测系统(IDS)是一种可以检测和分类异常行为的机制。因此,IDS必须始终保持最新的入侵者攻击特征,以保持服务的机密性、完整性和可用性。入侵检测系统的速度是非常重要的问题,以及学习新的攻击。这项研究工作说明了如何知识发现和数据采掘(或数据库中的知识发现)KDD数据集是非常方便的测试和评估不同的机器学习技术。主要研究KDD的预处理部分,目的是为了准备一个像样的、公平的实验数据集。本研究选择了J48、随机森林、随机树、MLP、朴素贝叶斯和贝叶斯网络分类器。事实证明,随机森林分类器在检测和分类所有KDD数据集攻击(类型为DOS、R2L、U2R和PROBE)方面达到了最高的准确率。
2018-10-05 cs.CR cs.LG
Current Studies On Intrusion Detection System, Genetic Algorithm And Fuzzy Logic
入侵检测系统(IDS)是用来检测计算机系统或网络中恶意行为的一种系统安全技术。入侵检测系统中采用的方法有很多种,但不幸的是,每种方法到目前为止都不是完全理想的。在许多基于异常的入侵检测系统中,预测过程可能产生错误警报。利用模糊逻辑的概念,可以降低建立入侵活动时的虚警率。一组有效的模糊规则可以用来定义计算机网络中的正常和异常行为。因此,为了保证最佳安全性,需要对计算机网络中的异常行为进行监控。在本文中,我提出了一些研究论文的基础上的入侵检测系统,方法和良好的模糊分类器,使用遗传算法,这是目前的发展工作的重点和解决问题的入侵检测系统提供一个现实世界的入侵检测。最后,即将到来的技术和各种方法,承诺提高计算机系统检测入侵的能力进行了讨论。
2013-04-12 cs.CR
VAEMax: Open-Set Intrusion Detection based on OpenMax and Variational Autoencoder
针对开集入侵检测中需同时识别已知与未知攻击的问题,提出结合OpenMax与变分自编码器的双检测模型VAEMax,经两个基准数据集验证性能优于基线模型,可应用于真实网络环境。
2024-03-07 cs.CR
nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection
Department of Computer Science(计算机科学系);New Mexico State University(新墨西哥州立大学);Graduate School of Informatics(信息科学研究生院);Osaka Metropolitan University(大阪 Metropolitan 大学)
提出良性锚定类均值偏差(nCMD)方法,通过计算攻击类分布与良性类均值的偏差进行特征选择,在四个基准数据集上优于传统过滤方法,尤其适用于特征预算紧张和类别严重不平衡的场景。
2026-09-29 cs.CR cs.LG
Intrusion Detection Systems Using Support Vector Machines on the KDDCUP'99 and NSL-KDD Datasets: A Comprehensive Survey
Howard University(霍华德大学);African Institute for Mathematical Sciences(非洲数学科学研究所)
随着网络攻击和网络间谍活动的不断增长,现在更加需要更好,更强大的入侵检测系统(IDS)。IDS的基本任务是充当第一道防线,检测互联网上的攻击。随着入侵者的入侵策略变得越来越复杂和难以检测,研究人员已经开始应用新的机器学习(ML)技术来有效地检测入侵者,从而保护互联网用户的信息和对整个互联网网络安全的整体信任。在过去的十年中,基于ML和深度学习(DL)架构的入侵检测技术在各种基于网络安全的数据集上的研究激增,例如DARPA,KDDCUP'99,NSL-KDD,CAIDA,CTU-13,UNSW-NB 15。在这项研究中,我们回顾了当代文献,并提供了一个全面的调查不同类型的入侵检测技术,适用于支持向量机(SVM)算法作为一个分类器。我们只关注在网络安全中最广泛使用的两个数据集上进行评估的研究,即KDDCUP'99和NSL-KDD数据集。我们提供了每种方法的总结,确定支持向量机分类器的作用,以及研究中涉及的所有其他算法。此外,我们提出了一个严格的审查每种方法,以表格形式,突出的性能指标,优势,和局限性的每一种方法的调查。
2022-09-12 cs.AI cs.CR cs.LG